04CASE STUDY小売・EC
非公開企業
レコメンドエンジン刷新で
売上を18%向上
顧客行動データを活用したレコメンドエンジンを再構築。CVRと客単価の向上により、売上18%向上を実現。
- 業種
- 小売・EC (アパレル)
- 企業規模
- 従業員 約350名
- 支援期間
- 約6ヶ月
- テーマ
- データ活用 / 顧客体験向上
導入前に
抱えていた課題
既存のレコメンドが購買履歴の単純な共起に頼っており、閲覧中の文脈を反映できていませんでした。
- 01
「一度買った商品と似たもの」ばかりが並び、回遊とクロスセルにつながっていなかった
- 02
新規顧客や新商品に対して有効な推薦を出せず、コールドスタート問題が放置されていた
- 03
施策の効果検証の仕組みがなく、改善の良し悪しを判断できていなかった
この課題に、3つの段階で取り組みました
課題の解決に向けて
取り組んだこと
約6ヶ月の支援を、3つの段階で進めました。
- 01
行動ログの再設計と顧客理解の深掘り
購買だけでなく閲覧・検索・カート投入までを含めた行動ログを整理。セッション単位で「いま何を探しているか」を捉えられるデータ構造に作り直しました。
- 02
文脈を反映したハイブリッド推薦の実装
協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成に刷新。新商品・新規顧客にも推薦を出せるようにしました。
- 03
A/Bテストを前提とした改善サイクルの定着
配信ロジックを切り替えられる基盤と評価ダッシュボードを整備し、施策の効果を数字で判断できる状態へ。改善の意思決定をチームに引き渡しました。
- 支援領域
- 体制
- コンサルタント1名・データサイエンティスト2名・エンジニア2名
- 関連サービス
この取り組みで、成果につなげました
導入後に
得られた成果
※ 同一期間の A/B テストにおける、従来ロジック群との比較値です。
- 01
18%
売上の向上
- 02
24%
レコメンド経由CVRの改善
- 03
11%
客単価の向上
この事例を
くわしく
進め方や効果の測り方など、取り組みの中身をご紹介します。
顧客行動データを活用したレコメンドエンジンを再構築。CVRと客単価の向上により、売上18%向上を実現。
この事例のポイント
購買だけでなく、閲覧・検索・カート投入までの行動ログを整理し、セッション単位で「いま何を探しているか」を捉えられるデータ構造に作り直しました
協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成にして、新商品・新規顧客にも推薦を出せるようにしました
配信ロジックを切り替えられる基盤と評価ダッシュボードを整え、施策の効果をA/Bテストの数字で判断できるようにしました
進め方
約6ヶ月の支援を、コンサルタント1名・データサイエンティスト2名・エンジニア2名の体制で、次の3つの段階で進めました。
行動ログの再設計と顧客理解:それまでのレコメンドは購買履歴の単純な共起に頼っており、閲覧中の文脈を反映できていませんでした。そこで、閲覧・検索・カート投入までを含めた行動ログを整理し、セッション単位で関心を捉えられるデータ構造に作り直しました。
文脈を反映したハイブリッド推薦の実装:協調フィルタリングに商品属性ベースの推薦を組み合わせ、直近の行動で重みを変える構成に刷新しました。購買の履歴が少ない新商品や新規顧客にも推薦を出せるようにし、放置されていたコールドスタート問題に対応しました。
A/Bテストを前提とした改善サイクルの定着:配信ロジックを切り替えられる基盤と評価ダッシュボードを整備し、改善の意思決定をお客様のチームに引き渡しました。
効果の測り方
レコメンドの改善は、時期やキャンペーンなど、ほかの要因でも売上が動くため、施策の前後を比べるだけでは効果を切り分けにくくなります。この事例では、配信ロジックを切り替えられる基盤を整え、同じ期間に従来のロジックと新しいロジックを比べるA/Bテストで効果を確かめました。
| 指標 | 確かめていること | 結果 |
|---|---|---|
| 売上 | 事業全体への効果 | 18%向上 |
| レコメンド経由のCVR | 推薦した商品が購入につながったか | 24%改善 |
| 客単価 | 関連する商品の買い合わせ(クロスセル)が増えたか | 11%向上 |
※ 同一期間の A/B テストにおける、従来ロジック群との比較値です。
評価ダッシュボードで施策の効果を数字で判断できるようにしたことで、次に何を試すかを、お客様のチームで決められる状態になっています。施策を始める前に「何をもって成功とするか」を決めておく考え方は、「生成AIの導入は何から始める?小さく試して全社に広げる5つのステップ」でも解説しています。
関わった事業
この事例は、レコメンドエンジンの再構築と配信の基盤づくりをAIシステム開発で、顧客行動の分析と効果測定・改善の仕組みづくりをAI × マーケティングでご支援しました。
よくある質問
新商品や、初めて訪れたお客様にもレコメンドを出せますか?
この事例では、協調フィルタリングに商品属性ベースの推薦を組み合わせることで、購買の履歴が少ない新商品・新規顧客にも推薦を出せるようにしました。
レコメンドの効果は、どのように確かめましたか?
配信ロジックを切り替えられる基盤を整え、同じ期間に従来のロジックと比べるA/Bテストで確かめました。あわせて評価ダッシュボードを整え、施策の効果を数字で判断できるようにしています。
どのくらいの期間と体制で進めましたか?
支援期間は約6ヶ月で、コンサルタント1名・データサイエンティスト2名・エンジニア2名の体制で進めました。
導入後の改善は、社内で続けられますか?
この事例では、A/Bテストを前提とした改善サイクルを整え、改善の意思決定をお客様のチームに引き渡しました。次に何を試すかを、お客様のチームで決められる状態になっています。
導入を
振り返って
ご担当者さまに伺ったお話です。
推薦の精度が上がっただけでなく、施策を数字で振り返る文化がチームに根づきました。次に何を試すかを自分たちで決められるようになっています。
EC事業部マーケティング責任者ほかの導入事例
近いテーマの事例をご紹介します。
導入事例をすべて見る同じような課題を
お持ちではありませんか。
現状の整理からご一緒します。まずはお気軽にご相談ください。




